Dienstag, August 9, 2022
StartTECHNOLOGIEDie „künstliche Synapse“ könnte neuronale Netze dazu bringen, mehr wie Gehirne zu...

Die „künstliche Synapse“ könnte neuronale Netze dazu bringen, mehr wie Gehirne zu funktionieren

- Anzeige -

Nanoskalige Widerstandsnetzwerke, die ähnlich wie die Nervenzellen des Körpers funktionieren, könnten Vorteile gegenüber dem digitalen maschinellen Lernen bieten

Ein Widerstand, der ähnlich wie Nervenzellen im Körper funktioniert, könnte verwendet werden, um neuronale Netze für maschinelles Lernen aufzubauen.

Viele große Machine-Learning-Modelle sind auf zunehmende Rechenleistung angewiesen, um ihre Ergebnisse zu erzielen, was jedoch mit enormen Energiekosten verbunden ist und große Mengen an Wärme erzeugt.

Eine vorgeschlagene Lösung ist analoges maschinelles Lernen, das wie ein Gehirn funktioniert, indem es neuronenähnliche elektronische Geräte verwendet, die als Teile des Modells fungieren. Allerdings waren diese Geräte bisher nicht schnell, klein oder effizient genug, um Vorteile gegenüber dem digitalen maschinellen Lernen zu bieten.

Murat Onen vom Massachusetts Institute of Technology und seine Kollegen haben einen Widerstand im Nanomaßstab entwickelt, der Protonen von einem Anschluss zum anderen überträgt. Es funktioniert ein bisschen wie eine Synapse, eine Verbindung zwischen zwei Neuronen, wo Ionen in eine Richtung fließen, um Informationen zu übertragen. Aber diese „künstlichen Synapsen“ sind 1000-mal kleiner und 10.000-mal schneller als ihre biologischen Pendants.

So wie ein menschliches Gehirn lernt, indem es die Verbindungen zwischen Millionen miteinander verbundener Neuronen umgestaltet, könnten auch Modelle für maschinelles Lernen auf Netzwerken dieser Nanowiderstände laufen.

„Wir machen etwas Ähnliches [to biology]wie Ionentransport, aber jetzt machen wir das so schnell, und die Biologie konnte das nicht“, sagt Onen, dessen Gerät millionenfach schneller ist als frühere Protonentransportgeräte.

Der Widerstand verwendet starke elektrische Felder, um Protonen mit sehr hohen Geschwindigkeiten zu transportieren, ohne den Widerstand selbst zu beschädigen oder zu brechen, ein Problem, unter dem frühere Festkörper-Protonenwiderstände gelitten hatten.

Für praktisches analoges maschinelles Lernen werden Systeme benötigt, die viele Millionen Widerstände enthalten. Onen räumt ein, dass dies eine technische Herausforderung ist, aber die Tatsache, dass die Materialien alle mit Silizium kompatibel sind, sollte die Integration in bestehende Computerarchitekturen erleichtern.

„Für das, was sie an Technologie bekommen – sehr hohe Geschwindigkeit, geringer Energieverbrauch und Effizienz – sieht das sehr beeindruckend aus“, sagt Sergey Saveliev von der Loughborough University im Vereinigten Königreich. Die Tatsache, dass das Gerät drei Terminals verwendet, anstatt zwei wie ein menschliches Neuron, könnte jedoch den Betrieb bestimmter neuronaler Netzwerke erschweren, fügt er hinzu.

Pavel Borisov, ebenfalls von der Loughborough University, stimmt zu, dass dies eine beeindruckende Technologie ist, weist jedoch darauf hin, dass die Protonen aus Wasserstoff stammen, der sich als schwierig erweisen könnte, im Gerät sicher zu bleiben, wenn die Technologie zunimmt.

Zeitschriftenreferenz: WissenschaftDOI: 10.1126 / science.abp8064

Abgel T
Abgel T
Ich arbeite seit ca. 3 Jahren als Redakteurin in Bereichen wie Politik und Sport. Sie können an theaktuellenews@hotmail.com schreiben, um mich zu erreichen.
ZUGEHÖRIGE ARTIKEL

Kommentieren Sie den Artikel

Bitte geben Sie Ihren Kommentar ein!
Bitte geben Sie hier Ihren Namen ein

Anzeige

Am beliebtesten

Letzte Kommentare